实体
Hierarchical federated learning using access permissions
Hierarchical federated learning using access permissions
PulseAugur coverage of Hierarchical federated learning using access permissions — every cluster mentioning Hierarchical federated learning using access permissions across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
关系
最近 · 第 1/1 页 · 共 2 条
-
分层联邦学习框架重新定义网络化AI设计
本文提出分层联邦学习（HFL）作为一种面向架构感知的网络化AI设计框架，超越了其作为通信节省协议的常见表述。作者认为，HFL应围绕三个轴组织：架构参数、层级优化分解和层级通信实现。他们证明了HFL中的收敛性依赖于架构，并受所选层级、优化角色和通信机制的影响。
-
新研究推动联邦学习在隐私和异构性方面的进展
研究人员正在开发新的方法来改进联邦学习，这是一种允许模型在不损害隐私的情况下对去中心化数据进行训练的技术。几篇论文介绍了处理数据异构性的新算法，例如用于随机森林的FedForest和用于物联网系统中客户端选择的VARS-FL。其他工作侧重于通过共识嵌入进行隐私保护推理以及用于联邦图神经网络的鲁棒方法。此外，正在探索新的理论框架来限制泛化误差并激励联邦环境中的客户端贡献。